awk - 根据匹配条件注释每隔一列

Question

我有一个制表符删除文件

NC_044998.1     4013    0       TT      2       GG      0       TT      0       TT      0       TT      
NC_044998.1     4016    0       TT      0       TT      0       TT      2       GG      0       TT      
NC_044998.1     4018    0       TT      0       TA      0       TT      0       TT      0       TT      
NC_044998.1     4019    2       CG      2       CC      2       CC      2       CG      2       CC      

我需要比较每隔一列的两个字母

如果匹配添加“homo”，否则添加“het”

每次比较的结果都可以附加到最后一列，如下面的输出。

    NC_044998.1     4013    0       TT      2       GG      0       TT      0       TT      0       TT  homo homo homo homo homo  
    NC_044998.1     4016    0       TT      0       TT      0       TT      2       GG      0       TT  homo homo homo homo homo           
    NC_044998.1     4018    0       TT      0       TA      0       TT      0       TT      0       TT  homo het homo homo homo     
    NC_044998.1     4019    2       CG      2       CC      2       CC      2       CG      2       CC  het homo homo het  homo 

另一个例子

NC_044998.1     3803    0       GG      1       GA      0       GG      1       GA      1       GA      0       GG      0       GG      var     heterozygous    varvar  8       0.727273        3       0.272727
NC_044998.1     3806    0       TT      1       TA      1       TA      0       TT      0       TT      0       TT      0       TT     var     heterozygous    varvar  9       0.818182        2       0.181818 

输出为

NC_044998.1     3803    0       GG      1       GA      0       GG      1       GA      1       GA      0       GG      0       GG      var     heterozygous    varvar  8       0.727273        3       0.272727 homo het homo het het homo homo
NC_044998.1     3806    0       TT      1       TA      1       TA      0       TT      0       TT      0       TT      0       TT     var     heterozygous    varvar  9       0.818182        2       0.181818 homo het het homo homo homo homo

尝试过

awk 'BEGIN {FS=OFS="\t"} {for (i=4; length($i)==2 && i<=12; i+=2) substr($i,1,1) == substr($i,2,1); print $0, "homo"}'

和

awk 'BEGIN {FS=OFS="\t"} { for (i=4; i<=NF; i+=2); for (j=1; j<=2; ++j); $0 = $0 " " (substr($i,j,1) == substr($i,2,1) ? "homo" : "het")} 1'

但两者都只会在每行的末尾打印“homo”

Answer 1

编辑:因为 OP 的要求现在在添加更多样本后变得更加清晰，但我的第一个答案也保留在这里。

awk '
{
  for(i=4;i<=NF;i+=2){
    if(length($i)==2){
      if(substr($i,1,1) == substr($i,2,1)){
        val=(val?val OFS:"")"homo"
      }
      else{
        val=(val?val OFS:"")"het"
      }
    }
  }
  printf("%s%s\n",$0,(val!=""?OFS val:""))
  val=""
}' Input_file

或者如果你不想打印那些没有字段有 2 个字母长度的行(基本上没有 homo 或 het 的值)并且你想跳过打印的那一行然后执行以下操作。

awk '
{
  for(i=4;i<=NF;i+=2){
    if(length($i)==2){
      if(substr($i,1,1) == substr($i,2,1)){
        val=(val?val OFS:"")"homo"
      }
      else{
        val=(val?val OFS:"")"het"
      }
    }
  }
  if(val!=""){
    print $0,val
  }
  val=""
}' Input_file

---

---

您能否尝试按照您显示的示例编写以下内容。你的 Input_file 在我看来没有制表符分隔，以防它的制表符分隔添加一个 BEGIN 部分，比如 BEGIN{FS=OFS="\t"} after awk '`以下解决方案中的行。

awk  '
{
  for(i=6;i<=NF;i+=2){
    if($i==$(i-2)){
      val=(val?val OFS:"")"homo"
    }
    else{
      val=(val?val OFS:"")"het"
    }
  }
  print $0,val
  val=""
}' Input_file

说明: 为以上添加详细说明。

awk  '                                ##Starting awk program from here.
{
  for(i=6;i<=NF;i+=2){                ##Starting a for loop from 6th field to last field which will go every 2nd field from 6th one.
    if($i==$(i-2)){                   ##Checking condition if current field is equals to current-2 field value.
      val=(val?val OFS:"")"homo"      ##if its equal then add homo in val variable here and keep appending value to it.
    }
    else{                             ##else part, in case current field is NOT equal to current-2 field then do following.
      val=(val?val OFS:"")"het"       ##if its NOT equal then add net to val value here.
    }
  }
  print $0,val                        ##Printing current line and val when for loop is completed here.
  val=""                              ##Nullifying val here.
}' Input_file                         ##Mentioning Input_file name here.